卷积神经网络的通道和批次代码演示

---

一、torch.randn(2, 1, 5, 5）和torch.randn(1, 2, 5, 5)的区别

1、torch.randn(2, 1, 5, 5)

import torch
import torch.nn as nn

input_x = torch.randn(2, 1, 5,5)  # batch size, 输入channel , 输入宽和高
print(input_x)
print(input_x.dim())
conv2d = nn.Conv2d(1, 20, kernel_size=(3,3))  # Conv1d(in_channels 输入的通道数, out_channels 输出的通道数, kernel_size 卷积核大小,)
print(conv2d(input_x).shape)  # torch.Size([50, 20, 24])

torch.randn(2, 1, 5, 5)表示一个形状为(2, 1, 5, 5)的张量，其中：

• 第一个维度为2，表示该张量包含2个样本。
• 第二个维度为1，表示每个样本只有一个通道（单通道）。
• 第三个和第四个维度都为5，表示每个样本的高度和宽度为5

tensor([[[[-0.5244,  1.7061,  1.4930,  0.7366,  0.8777],
          [-0.9369, -1.6757,  0.7344, -0.8474, -0.5322],
          [-0.6238,  0.1218,  0.3774, -0.9583,  0.4321],
          [-0.3718, -0.8561,  0.8745,  0.2736, -0.9445],
          [-1.2196, -1.7373, -0.7211,  1.7466,  1.1438]]],


        [[[-0.6200,  1.3123, -0.2218,  0.4501,  0.1092],
          [-0.3851, -0.1376,  0.6793, -0.2087,  0.5269],
          [ 0.2049, -0.0633, -1.3043,  0.2677, -0.1593],
          [-0.2346, -0.4189, -1.5980, -1.4744, -0.0247],
          [-1.2222,  0.9525,  1.1216,  0.2067,  2.9091]]]])
4
torch.Size([2, 20, 3, 3])

2、torch.randn(1, 2, 5, 5)

import torch
import torch.nn as nn

input_x = torch.randn(1, 2, 5,5)  # batch size, 输入channel , 输入宽和高
print(input_x)
print(input_x.dim())
conv2d = nn.Conv2d(2, 20, kernel_size=(3, 3))  # Conv1d(in_channels 输入的通道数, out_channels 输出的通道数, kernel_size 卷积核大小,)
print(conv2d(input_x).shape)  # torch.Size([50, 20, 24])

torch.randn(1, 2, 5, 5)表示一个形状为(1, 2, 5, 5)的张量，其中：

• 第一个维度为1，表示该张量只包含一个样本。
• 第二个维度为2，表示每个样本有两个通道（双通道）。
• 第三个和第四个维度都为5，表示每个样本的高度和宽度为5。

tensor([[[[ 0.2450,  0.3782,  0.8491,  0.9238,  0.7193],
          [ 0.4896, -0.8420,  1.2535,  0.8598,  0.7305],
          [-1.5357, -0.1954,  0.3180, -0.2765, -0.2233],
          [ 1.6324,  0.1788, -0.9874,  0.6917,  0.4531],
          [ 2.5864, -0.3977, -0.0889,  0.3464,  1.0571]],

         [[ 0.0778,  0.1593, -0.3596,  0.4654, -0.4077],
          [-0.9721, -0.8619,  1.1439, -0.4358,  1.2102],
          [ 0.2069,  0.7917,  0.0652,  2.0938,  0.3225],
          [ 0.6486,  1.1292, -1.0613, -0.8899,  0.5207],
          [-0.4501, -1.9984, -0.2540, -2.1952, -1.8194]]]])
4
torch.Size([1, 20, 3, 3])